大数据挖掘及应用

封面 1 扉页 2 内容简介 3 版权页 3 序言 4 前言 6 目录 10 第1章 大数据挖掘及应用概论 18 1.1 大数据智能分析处理的普及和应用 18 1.2 大数据的发展及挑战 27 1.3 数据挖掘概述 31 1.4 大数据挖掘的计算框架 34 1.5 大数据时代“互联网+”的未来:智能互联 40 1.6 本书架构 43 1.7 小结 44 1.8 习题 44 1.9 参考文献 45 第2章 数据认知与预处理 46 2.1 数据分析的定义和流程 47 2.2 数据类型 50 2.3 数据的统计描述方法 52 2.4 数据对象关系的计算方法 56 2.5 数据准备 65 2.6 数据统计分析常用工具介绍 78 2.7 SPSS案例分析 85 2.8 小结 94 2.9 习题 95 2.10 参考文献 96 第3章 数据可视化 97 3.1 可视化简介 97 3.2 高维数据可视化 98 3.3 网络数据可视化 107 3.4 可视化案例分析 116 3.5 小结 137 3.6 习题 138 3.7 参考文献 138 第4章 数据关联分析 140 4.1 数据关联分析简介 140 4.2 基本概念 142 4.3 Apriori算法 147 4.4 FP-Growth算法 154 4.5 面向大数据的有效数据结构 159 4.6 关联规则有效性的评估方法 160 4.7 多维关联规则挖掘 165 4.8 多层关联规则挖掘 168 4.9 基于Python平台的案例分析 173 4.10 小结 175 4.11 习题 176 4.12 参考文献 178 第5章 数据分类分析 180 5.1 基本概念和术语 180 5.2 决策树算法 183 5.3 贝叶斯分类算法 197 5.4 支持向量机算法 202 5.5 粗糙集分类算法 207 5.6 分类器评估方法 208 5.7 组合分类器技术 214 5.8 惰性学习法(k最近邻分类) 218 5.9 基于Python平台的案例分析 220 5.10 小结 226 5.11 习题 226 5.12 参考文献 228 第6章 数据聚类分析 231 6.1 基本概念和术语 231 6.2 基于划分的方法 235 6.3 基于层次的方法 241 6.4 基于密度的方法 246 6.5 基于概率模型的聚类方法 250 6.6 聚类评估 256 6.7 基于Python平台的案例分析 262 6.8 小结 265 6.9 习题 266 6.10 参考文献 270 第7章 深度学习 272 7.1 引言 272 7.2 深信网 274 7.3 深玻尔兹曼机 281 7.4 栈式自动编码器 283 7.5 卷积神经网络 286 7.6 深度学习开源框架 295 7.7 深度学习应用技巧 301 7.8 小结 302 7.9 习题 303 7.10 参考文献 303 第8章 R语言 305 8.1 下载和安装R语言 305 8.2 使用R语言 309 8.3 R语言的数据结构 317 8.4 R语言的编程结构 323 8.5 R语言的数据挖掘和图形绘制包 327 8.6 实际案例 329 8.7 小结 331 8.8 习题 331 8.9 参考文献 332 第9章 Hadoop大数据分布式处理生态系统 333 9.1 Hadoop集群基础 333 9.2 HDFS基础操作 341 9.3 MapReduce并行计算框架 348 9.4 基于Storm的分布式实时计算 351 9.5 基于Spark Streaming的分布式实时计算 363 9.6 小结 369 9.7 参考文献 370 第10章 大数据分析算法的并行化 372 10.1 并行算法设计基础 372 10.2 典型数据挖掘算法并行化案例 379 10.3 大数据分析应用案例 388 10.4 小结 400 10.5 习题 400 10.6 参考文献 401 第11章 大数据挖掘及应用展望 402 11.1 大数据时代的发展回顾与展望 402 11.2 大数据中的新数据类型 409 11.3 大数据挖掘的新方法 411 11.4 未来发展趋势 415 11.5 小结 416 11.6 参考文献 417 正文结束 417